Les modèles prédictifs pour l’industrie : que peut-on en attendre ?

Une des portes ouvertes par les algorithmes de Machine Learning est la mise en place de modèles prédictifs. En particulier, ces outils de détection d’anomalies permettent de répondre à des problématiques industrielles très concrètes et variées :

  • Maintenance prédictive : détection précoce d’anomalies pour déclencher des maintenances au meilleur moment. Le tout en limitant les coûts liés aux interventions systématiques de la maintenance préventive.
  • Détection de dérives procédé : détection des signaux faibles liés à des dérives avant qu’elles n’aient des conséquences.
  • Anticipation du comportement futur d’un procédé en fonction de son état actuel et des conditions opératoires choisies.

Les sujets couverts par des modèles prédictifs sont nombreux. Il n’y a donc pas de solution universelle « one fit for all » qui serait capable de répondre à chaque cas de manière efficace et pertinente.

Les technologies sous-jacentes aux modèles prédictifs: Machine Learning au service des enjeux industriels

Les modèles prédictifs sont basés sur des modèles mathématiques de Machine Learning (algorithmes statistiques ou des modèles à base de réseaux de neurones). En fonction des cas d’usage, on va chercher à trouver le modèle capable de :

  • Détecter une combinaison de facteurs qui vont générer une casse machine (maintenance prédictive) ou une dérive de procédés. Certains appellent cette démarche la détection de signaux faibles. En fait ce ne sont pas les signaux qui sont faibles. C’est la combinaison pertinente de signaux qui permet de prévoir une anomalie qui n’est pas évidente à trouver pour un être humain. Soit parce que le nombre de données est trop important. Soit parce qu’elle est contre-intuitive. Ainsi, l’utilisation du ou des algorithmes adéquats et correctement mis en œuvre permet une détection fiable et précoce.
  • Prévoir un comportement futur à partir d’un état de paramètres choisis ou de conditions futures connues. Par exemple, prévoir le comportement d’une station d’épuration en fonction de la prévision météo des jours à venir.

Construire son modèle prédictif : quelle approche pour réussir ?

Tout d’abord utiliser l’expérience existante et l’expertise métier disponible pour alimenter ses choix et la construction d’un modèle. La prise en compte de ces éléments permettra toujours d’aboutir à des modèles plus robustes et précis qu’une approche purement statistique.

Une partie de cette expérience peu prendre la forme de jeux de données historiques avec les anomalies qui ont été identifiées par un expert (même si c’est trop tardivement) de manière à servir de matière pour construire et évaluer la qualité des modèles.

Pour les deux usages évoqués les approches sont un peu différentes et nous les décrivons plus en détail dans les deux articles suivants :

  • La détection d’anomalies ou de signaux faibles : quelles approches ? (à venir)
  • La prédiction du comportement d’un procédé : quelles approches ? (à venir)

Valeur apportée par de tels modèles pour les applications industrielles

La mise en œuvre de tels modèles permet des gains concrets pour l’industriel en particulier dans une situation où les ressources sont sous contraintes :

  • Un gain de temps et une réduction des coûts par des actions mieux ciblées sur les situations qui le nécessite réellement.
  • Une réduction des perturbations des opérations liées à des alertes intempestives car pas assez sélectives.
  • La capacité d’anticiper les actions et de les programmer au mieux.

Mathieu Cura